گام دوم: وزن دهی به ماتریس نرمالایز شده:
ماتریس تصمیم در واقع پارامتری است و لازم است کمی شود ،به این منظور تصمیم گیرنده برای هر شاخص وزنی را معین میکند.

مجموعه وزنها((w در ماتریس نرمالایز شده® ضرب میشود.
با توجه به اینکه ماتریسWn*1 قابل ضرب در ماتریس تصمیم نرمالایز شده(n*n) نیست، قبل از ضرب باید ماتریس وزن را به یک ماتریس قطری Wn*n تبدیل نمود.(وزنها روی قطر اصلی)
گا م سوم: تعیین راه حل ایده آل و راه حل ایده آل منفی:
دو گزینه مجازی A* و A- را به صورتهای زیر تعریف می کنیم:
دو گزینه مجازی ایجاد شده در واقع بدترین و بهترین راه حل هستند.
گام چهارم: به دست آوردن اندازه فاصله ها
فاصله بین هر گزینه n بعدی را از روش اقلیدسی می سنجیم.یعنی فاصله گزینه i را از گزینه های ایده آل مثبت و منفی می یابیم.
گام پنجم : محاسبه نزدیکی نسبی به راه حل ایده آل
این معیار از طریق فرمول زیر به دست می آید:
مشخص است که هر چه فاصله گزینه Ai از راه حل ایده آل کمتر باشد نزدیکی نسبی به ۱ نزدیکتر خواهد بود.
گام ششم: رتبه بندی گزینه ها
نهایتا گزینه ها را بر اساس ترتیب نزولی رتبه بندی می کنیم .

۳-۷-۲ ضریب همبستگی رتبه ای اسپیرمن

هرگاه داده‌ها بصورت رتبه‌ای جمع آوری شده باشند یا به رتبه تبدیل شده باشند، می‌توان از همبستگی رتبه‌ای اسپیرمن (rs) که یکی از روش های ناپارامتریک است، استفاده کرد. (بهبودیان، ۱۳۸۳ : ۱۴۵) یکی از مزیت‌های ضریب همبستگی اسپیرمن به ضریب همبستگی پیرسون این است که اگر یک یا چند داده نسبت به سایر اعداد بسیار بزرگ باشد چون تنها رتبه آنها محسوب می‌شود، سایر داده‌ها تحت الشعاع قرار نمی‌گیرند.
برای محاسبه ضریب همبستگی رتبه‌ای داده‌های زوجی (xi,yi) ابتدا به تمام xها برحسب مقادیرشان رتبه می‌دهیم و همین کار را نیز برای yها انجام می‌دهیم، سپس تفاضل بین رتبه‌های هر زوج را که با (xi-yi) نشان می‌دهیم حساب می‌کنیم. در مرحله بعد توان دوم d‌ها را محاسبه می کنیم.

۳-۷-۳ تجزیه وتحلیل عاملی تأییدی

تحلیل عاملی می تواند دو صورت اکتشافی و تاییدی داشته باشد. اینکه کدامیک از این دو شکل باید در تحلیل عاملی به کار رود مبتنی بر هدف تحلیل داده هاست. تحلیل اکتشافی وقتی به کار می رود که پژوهشگر شواهد کافی قبلی و پیش تجربه ای برای تشکیل فرضیه در باره ی تعداد عامل های زیر بنایی داده ها را نداشته و در حقیقت مایل باشد در باره تعیین تعداد یا ماهیت عامل هایی که واریانس بین
داده ها را توجیه می کند داده ها را بکاود. بنابراین تحلیل اکتشافی بیشتر بعنوان یک روش تدوین و تولید تئوری و نه یک روش آزمون تئوری در نظر گرفته می شود.
برای بررسی روایی یک مدل و در نتیجه روایی متغیرهای هر عامل لازم است نشان دهیم که بین این نشانگرها ((مثلاً شاخص ها یا سوال های فرعی)) هماهنگی و همسویی وجود دارد. از میان روش های مختلفی که برای مطالعه ی ساختار داخلی یک مجموعه از نشانگر ها وجود دارد، تحلیل عاملی تاییدی احتمالاً مفید ترین روشی است که به برآورد پارامترها و آزمون های فرضیه ها، با توجه به تعداد عامل های زیربنایی روابط میان مجموعه نشانگرها می پردازد.
در تحلیل عاملی تاییدی، پژوهشگر بدنبال تهیه مدلی است که فرض می شود داده های تجربی را بر پایه ی چند پارامتر نسبتاً اندک، توصیف، تبیین یا توجیه می کند. این مدل مبتنی بر اطلاعات پیش تجربی در باره ی ساختار داده هاست که می تواند به شکل ۱- یک تئوری یا فرضیه ۲- یک طرح طبقه بندی کننده معین برای گویه ها یا پاراتست ها در انطباق با ویژگی عینی شکل و محتوا ۳- شرایط معلوم تجربی ۴- دانش حاصل از مطالعات قبلی در باره ی داده های وسیع باشد (هومن، ۱۳۸۴، ۲۹۵-۲۹۴).
تجزیه و تحلیل عاملی تاییدی، یک ((آ زمون نظریه)) است. در تحلیل عاملی تاییدی، محقق با یک فرضیه ی قبلی شروع به تحلیل داده های تجربی می کند. این مدل یا فرضیه، مشخص می کند که کدام متغیرهای اندازه پذیر با ((عوامل)) در ارتباط بوده، و کدام عامل ها با هم همبستگی دارند.
در این روش، محقق قادر است بطورصریح فرضیات مربوط به ساختارهای عاملی داده را آزمایش کند. در تحلیل عاملی تاییدی، پس از مشخص شدن یکسری عوامل قبلی، تلاش می شود تا ساختارهای عاملی نظری و مشهود با مجموعه ی داده تطابق داده شود تا ((خوبی برازش)) مدل اولیه تعیین گردد.
آمارهای برازشی، میزان خوبی برازش مدل های رقیب با داده های واقعی را آزمایش می کند.
GFI، CFI و مربع کای نمونه هایی از آماره برازش می باشد که در بررسی های علمی بطور گسترده مورد بهره برداری محققین فرار گرفته است.
مربع کای، این فرضیه را آزمایش می کند که کوواریانس مدل نظری با کوواریانس داده های واقعی سازگار است. هرچه مربع کای کوچکتر باشد، برازش مدل با داده ی واقعی بهتر است.
شاخص خوبی برازش یا GFI معادل R2 دررگرسیون چندگانه است. هرچه GFI به یک نزدیک باشد، برازش مدل با داده بهتر است. AGFI بر مبنای تصحیح تعداد درجات آزادی در یک مدل اندازه گرفته می شود. GFI و AGFI نسبت به مربع کای به اندازه ی نمونه حساسیت کمتری دارند.
باید توجه کرد که ممکن است چندین مدل با مجموعه ی مشخص از داده ها برازش داشته باشد. بنابراین پیدا کردن یک مدل با برازش خوب به معنای یافتن تنها مدل یا مدل بهینه نیست. چون شاخص های گوناگون برازش وجود دارد، بهتر است همزمان چندین آماره ی برازش را برای یافتن خوبی برازش مدل استفاده کرد (علی احمدی و همکاران، ۱۳۸۳، ۴-۳).
چهارم:

یافته های تحقیق

۴-۱ مقدمه

به منظور تجزیه و تحلیل داده‌های آماری پژوهش حاضر، ابتدا اطلاعات حاصل از اسناد و مدارک و مصاحبه اولیه مورد بررسی قرار گرفته است. پس از آن براساس اطلاعات موجود پرسش نامه با ۲۳سئوال تنظیم و در اختیار کارشناسان و مدیران و صاحبنظران قرار گرفت. همچنین چون محقق برای گردآوری سایر اطلاعات از پرسشنامه استفاده کرده است، لذا جهت تجزیه و تحلیل اطلاعات این بخش، ابتدا داده‌های پژوهش از پرسشنامه‌ها استخراج و در جدول اطلاعات کلی یا جدول مادر تنظیم شد. سپس کلیه داده ها و اطلاعات با بهره گرفتن از کامپیوتر و نرم افزارهای آماری ۱۹ SPSS در بخش روش‌های توصیفی و استنباطی مورد تجزیه و تحلیل قرار گرفت . در فصل حاضر ابتدا اطلاعات حاصل از پرسش نامه و متغییرهای پژوهش مورد تجزیه و تحلیل قرار گرفته ، سپس براساس شاخص های بدست آمده با بهره گرفتن از روش TOPSIS شاخص ها اولویت بندی شده و مدل نهایی ایجاد شده است.

۴-۲ آمار توصیفی

در این تحقیق از آمار توصیفی برای نمایش اطلاعات جمعیت شناختی استفاده شده است .برای این منظور اطلاعات جمعیت شناختی معمولا با بهره گرفتن از جداول فراوانی و نمودارها میله ای ،نمودارهای دایره ای ،نمودارهای هیستوگرام و جداول توافقی نشان داده شده است.

۴- ۳ بررسی های جمعیت شناختی پژوهش

در این بخش به بررسی محور های جمعیت شناختی به شرح زیر خواهیم پرداخت ، پرسشنامه شامل متغییر های جمعیت شناختی زیر است :
تحصیلات
موقعیت کاری
سابقه کاری

۴-۳-۱ تحصیلات

از ۲۶۰ نمونه۵۴ نفر دیپلم، ۱۰۸ نفر فوق دیپلم، ۷۸ نفر لیسانس، ۲۰ فوق لیسانس و بیشتر

جدول ۴-۱ جدول فروانی تحصیلات